Création, mise en œuvre et validation de modèles de prévision des risques per- et postopératoires

Une étude en trois phases a été conçue :

1. ère phase : Dérivation et validation interne du modèle prédictif au moyen d'une étude de cohorte reprospective dans laquelle des patients ont été opérés à l'Hôpital Galdakao-Usansolo (HGU), à l'Hôpital Urduliz (HU), à l'Hôpital Universitaire de Basurto (HUB), à l'Hôpital Universitaire de Donostia ( HUD) et l'hôpital universitaire d'Araba (HUA) seront recrutés. Hôpital universitaire de Donostia (HUD) et Hôpital universitaire de Araba (HUA) sur XXX ans et les données seront obtenues à partir de la période préopératoire jusqu'au mois de sortie de l'opération. Pour l'identification et la création de ces modèles, des techniques d'apprentissage automatique seront utilisées dans le but principal d'identifier des variables non décrites dans la littérature. L’apprentissage automatique est la branche la plus importante de l’intelligence artificielle. Au sein du Machine Learning, l’apprentissage supervisé est le domaine le plus largement utilisé. L'apprentissage supervisé permet aux ordinateurs d'apprendre à effectuer des tâches en découvrant et en exploitant des modèles complexes dans de grandes quantités de données. Dans le cas spécifique des données issues des dossiers médicaux électroniques, les algorithmes de Machine Learning nous permettent d'utiliser les données historiques de chaque patient afin que l'ordinateur apprenne à anticiper les événements futurs de manière personnalisée.
2. ème phase : Validation externe des modèles créés lors de la première phase dans une cohorte de patients opérés en 2020 dans les mêmes centres. La méthodologie proposée par Debray et al. sera appliqué.
3. ème phase : Évaluation des résultats après la mise en œuvre des modèles dans le DSE de l'hôpital Galdakao-Usansolo sous la forme d'un « Guide d'action ». Sur la base de la stratification des risques réalisée lors des phases précédentes, le service d'anesthésie créera des recommandations d'action en fonction du niveau de risque. Les pourcentages de mortalité et de complications per- et postopératoires seront comparés au moyen d'une étude d'intervention quasi-expérimentale, comparant les résultats de l'hôpital HGU où l'échelle de risque et les recommandations qui en découlent seront mises en œuvre, avant et après sa mise en œuvre, et également en les comparant aux pourcentages de patients qui deviennent compliqués et/ou décèdent en HU, HUB, HUD et HUA, où la pratique clinique habituelle sera suivie, sur la base de l'échelle ASA. Cette cohorte prospective, une fois l'échelle de risque mise en place, sera également utilisée pour une validation externe (2020-2021).

Variables sociodémographiques et cliniques (diagnostic principal, comorbidités, traitements, interventions antérieures, données peropératoires, données postopératoires, procédures réalisées pendant l'hospitalisation et complications jusqu'à un mois après la sortie de l'hôpital) et les paramètres de laboratoire seront collectés.

Ces informations seront extraites du système global d'exploitation des données d'Osabide, Oracle Business Intelligence, et les données de laboratoire seront extraites des systèmes d'information des laboratoires cliniques des centres impliqués.